Особенности построения объемной минералогической модели для пород со сложным компонентным составом

UDK: 519.868:55
DOI: 10.24887/0028-2448-2020-5-36-41
Ключевые слова: баженовская свита, кластерный анализ, минерально-компонентная модель, сложный компонентный состав, потенциальные продуктивные интервалы
Авт.: О.В. Надеждин (ООО «РН-БашНИПИнефть»), к.т.н., Г.Г. Елкибаева (ООО «РН-БашНИПИнефть»), Л.Р. Шагимарданова (ООО «РН-БашНИПИнефть»), Р.И. Макаев (ООО «РН-БашНИПИнефть»), А.В. Марков (ООО «РН-БашНИПИнефть»; Башкирский гос. Университет), И.Д. Латыпов (ООО «РН-БашНИПИнефть»), к.ф.-м.н., А.А. Астафьев (ООО «РН-БашНИПИнефть»), Д.В. Фёдорова (ООО «РН-БашНИПИнефть»), В.М. Яценко (ПАО «НК «Роснефть»), Е.В. Гаврилова (ПАО «НК «Роснефть»)

Имеющийся опыт разработки отложений баженовской свиты в Западно-Сибирской нефтегазоносной провинции свидетельствует о наличии значительного потенциала освоения запасов нефти, а также о высокой сложности локализации продуктивных интервалов и выбора технологии извлечения нефти. В статье рассмотрена минеральная компонентная модель для выделения потенциальных продуктивных интервалов в разрезе баженовской свиты.

Общепринятый подход к построению минерально-компонентных моделей (МКМ) подразумевает использование материалов либо широкого, либо стандартного комплекса геофизических исследований скважин (ГИС). В первом случае возникает проблема охвата исследованиями большого фонда скважин из-за ограниченности их общего списка. Во втором случае невозможно построить МКМ со сложным составом. При настройке объемной минералогической модели на данные стандартного комплекса ГИС имеются сложности, связанные с нормализацией кривых нейтронного и гамма-каротажа, которые могут увеличить погрешность модели. В связи с этим предложено при отсутствии полного комплекса применять двухшаговый метод.  На первом шаге на керне выделяются макрокомпоненты. Выполняется построение непрерывной модели по условно «расширенному» комплексу ГИС с настройкой петрофизических констант на выделенные макрокомпоненты. На втором шаге модель, построенная по данным стандартного комплекса ГИС, настраивается на непрерывную модель, созданную на первом шаге. При этом макрокомпоненты на керне выделялись таким образом, чтобы их можно было определить на имеющихся материалах ГИС и чтобы с помощью их линейной комбинации восстанавливалась исходная МКМ. После получения объемной МКМ устанавливается связь минералогического состава пород с геомеханическими, геохимическими свойствами и результатами эксплуатации скважин. На основе объемной МКМ и установленных связей методами машинного обучения выделяются потенциальные продуктивные интервалы. Полученные результаты могут быть в дальнейшем использованы как входные данные для петроупругого моделирования, решения задач сейсмической интерпретации, а также для прогноза текущего нефтегенерационного потенциала, количества присутствующих в поровом пространстве углеводородов (как сорбированных, так и свободных), индексов хрупкости и продуктивности с дальнейшим прогнозированием продуктивных толщин.

Список литературы

1. Дахнов В.Н. Геофизические методы определения коллекторских свойств и нефтегазонасыщения горных пород. – М.: Недра, 1985. – 310 с.

2. Меркулов В.П., Посысоев А.А. Оценка пластовых свойств и оперативный анализ каротажных диаграмм. – Томск: ТПУ, 2004. – 176 с.

3. Физические свойства горных пород и полезных ископаемых (петрофизика). Справочник геофизика / Под ред. Н.Б. Дортман. – М.: Недра, 1984. – 455 с.

4. Электронный ресурс «Библиотека необсаженного ствола». Prime (Geotec). Уфа, 2017. – 67 с. – http://www.primegeo.ru/assets/files/bns.pdf

5. Куляпин П.С. Разработка интерпретационной и петроупругой моделей пород-коллекторов многокомпонентного состава и сложной структуры емкостного пространства: автореф. дисс. ... канд. геол.-минер. наук. – М., 2016. – 26 с.

6. Данько Д.А. Разработка принципов изучения нетрадиционных глинистых коллекторов на основе петроупругого моделирования и амплитудной инверсии сейсмических данных: дисс. … канд. техн. наук. – М., 2018 . – 273 с.

7. https://archive.org/details/2009EditionLogInterpretationCharts/mode/2up

8. Hartigan J.A., Wong M.A. A k-means clustering algorithm // Applied Statistics. – 1979. – № 28. – Р. 100–108.

9. Ту Дж., Гонсалес Р. Принципы распознавания образов. – М.: Мир, 1978. – 414 с.



Внимание!
Купить полный текст статьи (формат - PDF) могут только авторизованные посетители сайта.